El documento describe las redes neuronales artificiales, incluyendo su funcionamiento inspirado en el cerebro humano, objetivos como crear modelos precisos y estables para conjuntos de datos grandes, y aplicaciones como aproximación de funciones, clasificación, procesamiento de datos y robótica. También propone el uso de redes neuronales para gestionar inventarios y pagos en locales comerciales venezolanos, con el fin de reducir pérdidas debido a la inestabilidad económica del país.

1. REPUBLICA BOLIVARIANA DE VENEZUELA
MINISTERIO DEL PODER POPULAR PARA LA
EDUCACION SUPERIOR
I.U.P. “SANTIAGO MARIÑO”
ASIGNATURA: INTELIGENCIA ARTIFICIAL
Alejandro Coronado
C.I: 26,776116
Profesor / Tutor
Ing. José Guzmán

2. REDES NEURONALES
Las redes neuronales artificiales son un modelo inspirado en el
funcionamiento del cerebro humano. Esta formado por un
conjunto de nodos conocidos como neuronas artificiales que
están conectadas y transmiten señales entre sí. Estas señales
se transmiten desde la entrada hasta generar una salida.
También se puede definir como:
Un procesador distribuido en paralelo de forma masiva con una
propensión natural a almacenar conocimiento experimental y
convertirlo en disponible para su uso. Asemeja al cerebro en dos
aspectos:
El conocimiento se adquiere por la red mediante un proceso de
aprendizaje.
Las fuerzas de conexión interneuronal, conocidas como
ponderaciones sinápticas, se utilizan para almacenar el
conocimiento.
Definición

3. El objetivo principal de este modelo es aprender modificándose automáticamente a si mismo de forma que puede llegar a
realizar tareas complejas que no podrían ser realizadas mediante la clásica programación basada en reglas. De esta forma
se pueden automatizar funciones que en un principio solo podrían ser realizadas por personas.
REDES NEURONALES
Objetivos
CREAR UN MODELO ESTÁNDAR: El método genera un modelo simple para predecir el destino mediante los predictores. Por lo general, los modelos estándar son más fáciles de
interpretar y pueden puntuarse más rápido que los conjuntos por aumento, agregación auntodocimante o los conjuntos de datos muy
MEJORAR LA PRECISIÓN DEL MODELO (AUMENTO): El método genera un modelo de conjunto mediante el aumento, que genera una secuencia de modelos para obtener
predicciones más precisas. Se puede tardar más tiempo en generar y puntuar conjuntos que un modelo estándar. El aumento produce una sucesión de "modelos de componente",
cada uno de ellos basados en el conjunto de datos completo. Antes de crear cada modelo de componente sucesivo, los registros se ponderan en función de los residuos del
modelo del componente anterior
MEJORAR LA ESTABILIDAD DEL MODELO (AGREGACIÓN AUTODOCIMANTE): El método genera un modelo de conjunto mediante la agregación autodocimante, que genera
varios modelos para obtener predicciones más fiables. Se puede tardar más tiempo en generar y puntuar conjuntos que un modelo estándar .La agregación autodocimante produce
replicaciones del conjunto de datos de entrenamiento mediante muestreo con repetición del conjunto de datos original. Crea muestras de bootstrap de igual tamaño al conjunto de
datos original. Es decir, se crea un "modelo de componente" de cada replicación.
CREAR UN MODELO PARA CONJUNTOS DE DATOS MUY GRANDES: El método genera un modelo de conjunto dividiendo el conjunto de datos en bloques de datos
independientes. Seleccione esta opción si su conjunto de datos es demasiado grande para construir cualquiera de los modelos anteriores o para la generación incremental de
modelos. Puede que se tarde menos tiempo en generar esta opción, pero se puede tardar más tiempo en puntuarla que un modelo estándar.

4. Como se ha mencionado el funcionamiento de las redes se asemeja al del cerebro humano. Las redes
reciben una serie de valores de entrada y cada una de estas entradas llega a un nodo llamado neurona. Las
neuronas de la red están a su vez agrupadas en capas que forman la red neuronal. Cada una de las
neuronas de la red posee a su vez un peso, un valor numérico, con el que modifica la entrada recibida. Los
nuevos valores obtenidos salen de las neuronas y continúan su camino por la red. Este funcionamiento
puede observarse de forma esquemática en la siguiente imagen.
FUNCIONAMIENTO DE LAS REDES NEURONALES
Una vez que se ha alcanzado el final de la red se obtiene
una salida que será la predicción calculada por la red.
Cuantas más capas posea la red y más compleja sea,
también serán mas complejas las funciones que pueda
realizar.

5. RNA las hacen bastante apropiadas para aplicaciones en las que
no se dispone a priori de un modelo identificable que pueda ser
programado, pero se dispone de un conjunto básico de ejemplos
de entrada (previamente clasificados o no). Asimismo, son
altamente robustas tanto al ruido como a la disfunción de
elementos concretos y son fácilmente paralelizables.
APLICACIONES DE LAS REDES NEURONALES
Las tareas se aplican a las redes neuronales artificiales tienden a caer dentro de las siguientes categorías generales:
 Aproximación de funciones, o el análisis de regresión, incluyendo la predicción de series temporales, funciones de aptitud y el
modelado.
 Clasificación, incluyendo el reconocimiento de patrones y la secuencia de reconocimiento, detección y de la toma de
decisiones secuenciales.
 Procesamiento de datos, incluyendo el filtrado, el agrupamiento, la separación ciega de las señales y compresión.
 Robótica, incluyendo la dirección de manipuladores y prótesis.
 Ingeniería de control, incluyendo control numérico por computadora.

6. VENTAJAS DE LAS REDES NEURONALES
APRENDIZAJE:
Las RNA tienen la habilidad de aprender mediante
una etapa que se llama etapa de aprendizaje. Esta
consiste en proporcionar a la RNA datos como
entrada a su vez que se le indica cuál es la salida
(respuesta) esperada.
AUTO ORGANIZACIÓN:
Una RNA crea su propia representación de la
información en su interior, descargando al usuario
de esto.
TOLERANCIA A FALLOS:
Debido a que una RNA almacena la información de
forma redundante, ésta puede seguir respondiendo
de manera aceptable aun si se daña parcialmente.
FLEXIBILIDAD:
Una RNA puede manejar cambios no importantes
en la información de entrada, como señales con
ruido u otros cambios en la entrada (ej. si la
información de entrada es la imagen de un objeto, la
respuesta correspondiente no sufre cambios si la
imagen cambia un poco su brillo o el objeto cambia
ligeramente)
TIEMPO REAL:
La estructura de una RNA es paralela, por lo cuál si
esto es implementado con computadoras o en
dispositivos electrónicos especiales, se pueden
obtener respuestas en tiempo real.

7. APLICACION EN VENEZUELA
Esta presentación va dirigida al país Venezuela con respecto a su sistema económico basado en locales comerciales
ya que el país esta pasando por unas circunstancias complicadas y su moneda varia diariamente y los comercios
son afectados debido a que tienen problemas con los productos ya sea de materia prima o consumibles debido al
incrementod e los precios los comercios han llegado a la disminución de sus productos e incluso a la quiebra por
ese efecto
Problema

8. APLICACION EN VENEZUELA
Propuesta
Se propone la creación e implementación de redes neuronales con sus sistema que manejen los sistema de
inventario y pago de los servicios para que por medio de el aprendizaje automatizado de las redes neuronales
tengan los precios de los artículos al estimado para generar ganancia y no obtener perdida dentro de las leyes
orgánica del precio justo

9. APLICACION EN VENEZUELA
Resultados Esperados
Por medio del a propuesta se espera menos perdida de dinero y mayor aumento de los productos a ofrecer ya que
al no tener perdida se puede seguir invirtiendo en insumos asi no se perderían tantos locales comerciales y se
establecería un orden en la economía y en un futuro al momento de la estabilidad económica el sistema siga
evolucionando y obtener mejores resultados en otras áreas como evitar extravió de material y mantener su
localización

10. APLICACION EN VENEZUELA
Beneficios
Simplificaci
on de las
actividades
del sistema
Disminució
n del costo
riesgo
Aumento
de la
velocidad
del sistema
Registro al
día y
corriente de
los
productos
Innovación
de los
servicios
Automatiza
ción de la
empresa